-
公开(公告)号：CN112086187A
公开(公告)日：2020-12-15
申请号：CN202010971130.5
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于复杂网络的疾病进展路径挖掘方法，基于临床诊疗数据、基因疾病关联数据和通路疾病关联数据，构建有向表型疾病网络、基于基因的疾病关联网络和基于通路的疾病关联网络，并对节点间的边权值加权求和得到有向的复杂疾病网络；基于病死率对复杂疾病网络进行分类，得到源疾病群和目标疾病群；采用双向最大平均权值路径算法，搜索源疾病到目标疾病的疾病进展路径；最后，计算疾病进展得分，量化疾病进展路径的相对重要性。本发明通过挖掘疾病发展路径，量化疾病进展路径相对重要性，找到存在显著统计学关系的疾病进展轨迹，为疾病预防提供支撑，从而对预防低死亡风险疾病发展成高死亡风险疾病的研究具有重要意义。
-
公开(公告)号：CN117038065A
公开(公告)日：2023-11-10
申请号：CN202310271002.3
申请日：2023-03-20
Applicant: 电子科技大学
IPC: G16H50/30 , G16H50/50 , G16H10/60 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种结合患者网络分析与图学习的慢病风险预测方法及系统，属于信息技术领域，解决了对慢病预测准确度低的问题。本发明包括步骤：S1、数据预处理；S2、基于初始数据集及其基本特征构建患者‑疾病二部图；S3、基于患者‑疾病二部图，分别构建基于局部疾病重叠、全局疾病重叠、疾病嵌入的患者网络；S4、基于S3中的基于局部疾病重叠的患者网络、基于全局疾病重叠的患者网络、基于疾病嵌入的患者网络构建慢病预测模型；S5、对任意预测对象，根据其历史住院信息，用慢病预测模型进行疾病风险预测。本发明基于从患者网络分析中获得的特征，利用Multi‑Graphormer算法构造预测模型来预测未来的慢病风险。
-
Patent Agency Ranking
公开(公告)号：CN114795114B
公开(公告)日：2023-05-02
申请号：CN202210348106.5
申请日：2022-03-29
Applicant: 电子科技大学
IPC: A61B5/00
Abstract: 本发明属于医疗信息技术领域，尤其涉及一种基于多模态学习的一氧化碳中毒迟发性脑病预测方法，通过结合贝叶斯网络结构学习算法和医生建议，构建特征依赖图；基于特征依赖图，构建图嵌入前馈神经网络，将特征间的依赖关系集成到神经网络结构中，以得到结构化特征的向量表示；并设计特征融合结构，获取融合多模态信息后的向量表示，并将该向量输入到非线性神经网络层，最终得到一氧化碳中毒患者是否会发生迟发性脑病的预测结果。本发明充分融合多模态的诊疗信息，应用于早期预测时，仅需要结构化的数据作为模型输入，因此一定程度上降低了实际应用中预测模型对多模态数据完整性的需求，解决了在数据缺失的情况下无法实现准确预测的问题。
-
公开(公告)号：CN113345564A
公开(公告)日：2021-09-03
申请号：CN202110601268.0
申请日：2021-05-31
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于图神经网络的患者住院时长早期预测方法及装置，属于数据处理技术领域，该方法包括：获取病案首页数据集，并进行预处理；提取患者的基础特征和历史特征；根据预处理后的病案首页数据集，提取疾病向量；构建患者相似性网络；基于患者住院时长标签、基础特征、历史特征、疾病向量以及患者相似性网络，利用GraphSAGE图神经网络构建住院时长早期预测模型；利用住院时长早期预测模型预测待预测样本的住院时长，得到患者住院时长早期预测结果。本发明在入院点对患者的住院时长进行早期预测，具有更高的适用价值。
-
公开(公告)号：CN113345564B
公开(公告)日：2022-08-05
申请号：CN202110601268.0
申请日：2021-05-31
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于图神经网络的患者住院时长早期预测方法及装置，属于数据处理技术领域，该方法包括：获取病案首页数据集，并进行预处理；提取患者的基础特征和历史特征；根据预处理后的病案首页数据集，提取疾病向量；构建患者相似性网络；基于患者住院时长标签、基础特征、历史特征、疾病向量以及患者相似性网络，利用GraphSAGE图神经网络构建住院时长早期预测模型；利用住院时长早期预测模型预测待预测样本的住院时长，得到患者住院时长早期预测结果。本发明在入院点对患者的住院时长进行早期预测，具有更高的适用价值。
-
公开(公告)号：CN114795114A
公开(公告)日：2022-07-29
申请号：CN202210348106.5
申请日：2022-03-29
Applicant: 电子科技大学
IPC: A61B5/00
Abstract: 本发明属于医疗信息技术领域，尤其涉及一种基于多模态学习的一氧化碳中毒迟发性脑病预测方法，通过结合贝叶斯网络结构学习算法和医生建议，构建特征依赖图；基于特征依赖图，构建图嵌入前馈神经网络，将特征间的依赖关系集成到神经网络结构中，以得到结构化特征的向量表示；并设计特征融合结构，获取融合多模态信息后的向量表示，并将该向量输入到非线性神经网络层，最终得到一氧化碳中毒患者是否会发生迟发性脑病的预测结果。本发明充分融合多模态的诊疗信息，应用于早期预测时，仅需要结构化的数据作为模型输入，因此一定程度上降低了实际应用中预测模型对多模态数据完整性的需求，解决了在数据缺失的情况下无法实现准确预测的问题。
-
公开(公告)号：CN112086187B
公开(公告)日：2022-04-19
申请号：CN202010971130.5
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于复杂网络的疾病进展路径挖掘方法，基于临床诊疗数据、基因疾病关联数据和通路疾病关联数据，构建有向表型疾病网络、基于基因的疾病关联网络和基于通路的疾病关联网络，并对节点间的边权值加权求和得到有向的复杂疾病网络；基于病死率对复杂疾病网络进行分类，得到源疾病群和目标疾病群；采用双向最大平均权值路径算法，搜索源疾病到目标疾病的疾病进展路径；最后，计算疾病进展得分，量化疾病进展路径的相对重要性。本发明通过挖掘疾病发展路径，量化疾病进展路径相对重要性，找到存在显著统计学关系的疾病进展轨迹，为疾病预防提供支撑，从而对预防低死亡风险疾病发展成高死亡风险疾病的研究具有重要意义。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
